aioredis 3.x 必须用 from_url 或 ConnectionPool 初始化连接池，禁用裸字符串；需设 decode_responses=True；避免每次请求新建实例；Pipeline 才用 async with；ex=0 会立即过期；启用 retry_on_timeout 和合理 max_connections。
aioredis 3.x 连接池初始化必须用 from_url 或 ConnectionPool，不能直接传 URL 字符串
很多人写 redis = aioredis.Redis("redis://localhost") 发现报错 TypeError: expected str, bytes or os.PathLike object——这是 aioredis 3+ 的硬性变化。它不再接受裸字符串作为构造参数，必须显式构建连接池。
正确做法是用 from_url（推荐）或手动实例化 ConnectionPool：
import aioredis
<p>redis = aioredis.from_url("redis://localhost:6379/0", decode_responses=True)</p><h1>或</h1><p>pool = aioredis.ConnectionPool.from_url("redis://localhost:6379/0")
redis = aioredis.Redis(connection_pool=pool, decode_responses=True)-
decode_responses=True很关键：否则所有GET返回bytes，你得手动.decode()，容易漏掉或出错 - 别在每次请求里新建
Redis实例——连接池复用才有意义；全局单例或依赖注入更稳妥 - 如果用
ConnectionPool，记得在应用退出时调用pool.disconnect()，否则可能残留连接
async with 用法只适用于 Pipeline，普通读写不用包一层
看到教程里写 async with redis as conn: 就照搬？别急——这个语法只对 aioredis.Pipeline 有效，对 Redis 实例本身无效。直接写会抛 AttributeError: __aenter__。
立即学习“Python免费学习笔记（深入）”；
普通 GET/SET 就老老实实 await：
value = await redis.get("user:123")
await redis.set("cache:key", "data", ex=300)-
Pipeline才需要async with确保原子提交：async with redis.pipeline() as pipe: -
ex（过期秒数）和px（毫秒）别混用；设ex=0不等于“永不过期”，而是立刻过期，要用ex=None - 批量操作优先用
mget/mset，比循环 await 单条快得多，也减少事件循环调度开销
连接断开后 await redis.ping() 不会自动重连，得自己兜底
网络抖动、Redis 重启后，aioredis.Redis 实例不会自动恢复连接。下一次 await redis.get(...) 可能卡住几秒再抛 ConnectionError，而不是立刻失败。
简单可靠的检测方式是加个轻量级健康检查：
try:
await redis.ping()
except (ConnectionError, TimeoutError):
# 触发重连逻辑，或标记实例失效
pass- 别在每次业务操作前都 ping——开销大；适合放在定时任务或请求入口做抽检
- aioredis 3.x 默认不启用健康检查（
health_check_interval关闭），开启后每 10 秒发一次 PING，但只对空闲连接生效 - 生产环境建议配合
retry_on_timeout=True和自定义Retry策略，比如指数退避
并发量上去后 max_connections 设太小会卡死，但设太大又吃光 Redis 连接数
默认连接池最多 10 个连接，QPS 一高就排队等连接，表现为延迟陡增、超时增多。可调但不能乱调。
合理设置需看两个数：你的应用并发请求数，以及 Redis 配置的 maxclients（默认 10000）：
pool = aioredis.ConnectionPool.from_url(
"redis://localhost",
max_connections=50, # 单实例建议 ≤ 100
retry_on_timeout=True,
)- 每个
aioredis.Redis实例独占一个池；多个服务共用同一 Redis 时，要按服务预估分配 - 连接数不是越多越好：Redis 处理连接本身有开销，Python 端也会增加 asyncio 任务调度压力
- 用
redis.client_list()查当前连接数，观察高峰是否逼近maxclients
异步 Redis 的瓶颈往往不在 Python 侧，而在连接管理粒度和错误恢复逻辑上。漏掉重试、乱设池大小、忽略 bytes/string 编码，这三处踩中任意一个，缓存层就从加速器变成拖慢点。
